基于面向对象变化向量分析法的遥感影像森林变化检测

引用本文

李春干, 梁文海. 基于面向对象变化向量分析法的遥感影像森林变化检测[J]. 国土资源遥感, 2017,29(3): 77-84
LI Chungan, Liang Wenhai. Forest change detection using remote sensing image based on object-oriented change vector analysis[J]. REMOTE SENSING FOR LAND & RESOURCES,2017,29(3): 77-84 复制到剪切板

doi: 10.6046/gtzyyg.2017.03.11
Permissions

《国土资源遥感》编辑部

基于面向对象变化向量分析法的遥感影像森林变化检测

李春干¹, 梁文海²

1.广西大学林学院,南宁 530004

2.广西林业勘测设计院,南宁 530011

第一作者: 李春干(1962-),男,博士,研究员,主要从事林业遥感、森林资源监测与管理等方面研究。Email:gxali@126.com。

收稿日期: 2016-03-07

基金项目: 广西林业科学研究项目“森林变化遥感信息自动检测与提取”(编号: 201423)资助

摘要

为探讨用于森林资源数据库更新的森林变化空间信息采集方法,以林地变化频繁快速、变化图斑多且小的广西上思县局部区域为研究区,以资源三号(ZY-3)和高分一号(GF-1)高空间分辨率卫星遥感图像和小班专题图为数据源,采用面向对象的变化向量分析(change vector analysis,CVA)方法,基于马氏距离、欧氏距离和相对误差距离度量变化强度,通过目标函数确定最佳检测阈值,以小班为单元进行森林变化检测。结果表明,用欧氏距离、马氏距离检测的森林变化结果都不甚理想,漏检率和误检率高,总体精度较低,Kappa系数较小; 用相对误差距离检测的结果较好,漏检率(21.0%)和误检率(32.5%)均最小,总体精度最高(89.6%),Kappa系数最大(0.664); 误检测的图斑多为成林地和无林地(建设用地、林区道路等),各个变化类型都出现了少量漏检图斑。

关键词: 面向对象; 变化向量分析(CVA); 目标函数; 变化检测; 小班

文献标志码:A 文章编号:1001-070X(2017)03-0077-08

Forest change detection using remote sensing image based on object-oriented change vector analysis

LI Chungan¹, Liang Wenhai²

1. College of Forestry, Guangxi University, Nanning 530004, China

2. Guangxi Forest Inventory and Planning Institute, Nanning 530011, China

Abstract

To develop a method for collecting spatial information of forest change to update forest resources database, the authors tested a forest change detection in an area in Shangsi County of Guangxi where the forest cover changed frequently and rapidly and had a lot of change parcels most of which were small patches. ZY-3 and GF-1 satellite remote sensing images and the thematic map of forest distribution composed of sub-compartments were used as the data sources, the length of change vector was measured by Mahalanobis distance, Euclidean distance and relative error distance, and the optimal threshold was determined by the objective function. In addition, the object-based change vector analysis (CVA)was used to detect the forest change based on the sub-compartment. The results show that the detection results based on the Mahalanobis distance and Euclidean distance are not ideal, for they have high omission rate and commission rate but low total accuracy and small kappa coefficient. The detection result based on the relative error distance is the best among the three detections, for its omission accuracy (21.0%) and the commission accuracy (32.5%) are the lowest in the three detection, and its total accuracy (89.6%) and its Kappa coefficient (0.664) are higher than the two other detections. False detections are usually found in the old forest land, construction area, road and some other places, and the commission objects are found in various land types.

Keyword: object-oriented; change vector analysis(CVA); object function; change detection; sub-compartmenet

Show Figures

0 引言

森林对减缓气候变化影响、维持地球生命系统具有重要作用, 正受到前所未有的关注^[1]。开展森林资源动态监测, 摸清森林资源状态及其变化趋势, 对于评估森林经营效果, 制定和调整森林经营方针、政策和措施, 具有重要意义。然而, 由于森林分布的广域性、变化区域的分散性和随机性以及难到达性, 过去以地面调查为主的森林变化信息采集方法存在着工作量大、劳动强度高、效率低、成本高^[2]和精度低^[3]等诸多问题, 鲜见大规模应用的成功案例, 是我国几十 a来虽然倡导但一直没能实现森林资源“ 年度出数” 目标的主要原因。因此, 如何准确、快速、高效地获取森林变化信息, 长期以来一直是森林资源监测工作者努力解决的技术难题。

由于地物特征随时间的变化会引起2个时相遥感图像的像元光谱响应发生变化^{[4, 5]}, 因此, 通过遥感图像变化检测, 可以确定森林变化的空间位置、变化类型(如森林变成采伐迹地)和数量^[6]。近年来, 遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7, 8, 9, 10, 11, 12, 13, 14, 15]}。众多学者从不同角度针对不同应用对变化检测方法和理论模型进行了大量深入的研究, 提出了很多变化检测方法^{[4, 6, 9, 16, 17]}, 这些方法大多适用于森林变化检测^{[6, 18]}。然而, 由于传感器不同、检测目标相异、变化特征表现差异很大, 变化检测十分复杂和困难, 没有一种方法能够适合于所有的应用问题, 不同方法有时会得出不同甚至相互矛盾的结论^[4]。因此, 需要根据不同数据源和不同森林变化特点进行针对性的试验。本文以国产资源三号(ZY-3)和高分一号(GF-1)高空间分辨率卫星遥感图像和小班专题图为数据源, 以变化频繁快速、变化图斑多且小的高度集约经营人工林区为研究区, 以更新森林资源数据库为目的, 探讨面向对象的变化向量分析法(change vector analysis , CVA)在森林变化遥感检测中的应用, 期望丰富森林变化信息采集案例。

1 研究区概况与数据源

1.1 研究区概况

研究区位于广西南部上思县东北部, 为一个10.7 km× 11.3 km的矩形区域, 面积约12 000 hm², 中心地理位置为E 108° 01'50″, N 22° 10'17″; 该区位于十万大山山脉(南面)与四方岭山脉(北面)之间, 最高海拔750 m, 最低90 m, 三面环山, 山区地形陡峭, 一般坡度20° ~35° , 中部的上思县城及其周边农耕区较平缓; 由于地处北回归线以南的南亚热带季风气候带, 全年雨量充沛, 年平均降雨量1 217 mm, 干湿季区分明显; 该区全年夏长冬短, 年平均气温21.7℃, 7月平均气温27.7℃, 无霜期长达339 d/a。

地带性森林为北热带常绿季雨林和季节性雨林, 残留于十万大山沟谷地段。常见植被为天然马尾松次生林和速生桉(尾叶桉、巨尾桉等)人工林。据2013年林地变更调查结果, 研究区内林地面积占总面积的比重为58.7%。马尾松次生林、桉树人工林和一般阔叶次生林面积分别占森林总面积的52.1%, 40.0%和4.3%。

1.2 森林(地)变化特点

上思县为广西桉树人工林主要栽植区, 从遥感图像变化检测的角度分析, 其森林(地)变化具有如下特点: ①林地变化频繁快速。桉树人工林为高度集约经营, 轮伐期为4~6 a, 林木生长迅速, 人工造林6个月时, 林木平均高达3.8 m^[19]; 2.3~2.7 a平均树高为13.1~17.3 m^[20]; 3 a生年均蓄积生长量为49.8 m³/(hm²· a)^[21]。研究区主要采伐林木为桉树林和马尾松林。桉树林被采伐后, 通过萌芽方式进行更新。马尾松林被采伐后, 当年春夏或次年春天通过植苗造林方式更新为桉树林。据调查, 2013年上思县森林采伐面积8 952.3 hm², 至当年底, 除24.7%仍保留为采伐迹地外, 其余采伐迹地经造林更新后均转化为桉树幼林地。采伐迹地— 幼林的转化极为迅速; ②变化图斑多且面积小。2013年上思县变化图斑4 142个, 其中: 造林更新图斑2 255个, 采伐(含毁林开垦)图斑1 758个。变化图斑平均面积为3.9 hm², 面积小于1.0 hm², 2.0 hm²和3.0 hm²的图斑分别占全部图斑数量的46%, 65%和75%。

1.3 数据源及其预处理

遥感数据为2013年12月7日获取的ZY-3图像和2015年1月15日获取的GF-1图像。2景图像分别采用1∶ 1万正射航空图像和1∶ 1万 DEM完成几何精纠正(正射纠正), 总误差不大于1个像元; 并将2景图像重采样至空间分辨率为2 m。以GF-1图像为参考, 对ZY-3图像进行了直方图匹配。

小班专题图(一种林业专题图)为2013年森林资源变更调查成果图(ArcGIS shp格式)。该图为2014年对2013年ZY-3等图像变化检测提取的变化图斑边界进行实地逐一核对和边界修正后, 对2011年森林资源数据库更新而得。小班专题图和遥感图像均具有相同的投影系统。

2 面向小班的遥感图像森林变化检测

2.1 小班边界变化分析

小班是森林资源规划设计调查的最小单元, 是根据林(土)地类型、林种、优势树种、龄组、郁闭度、林木平均高等的一致性或相近性, 在实地进行划分的(图1(a))。由于小班不是经营单元, 森林采伐和造林更新等经营活动不受其边界限制, 故随着时间的推移, 常常出现小班中一些地段采伐、一些地段保留, 从而变成2个或多个小班的现象(图1(b))。

	Figure Option View Download New Window
	图1 部分地段森林被采伐致使1个小班变成2个小班Fig.1 One sub-compartment divided into two sub-compartments caused by forest cut

小班也是森林资源数据管理的最小单元, 是森林资源数据库构成的基本单元。为更新森林资源数据库, 需要对小班属性信息(林地类型、林种、优势树种、龄组、平均高、单位面积蓄积量等)和空间信息(边界和面积)进行更新。当小班中部分地段林地类型发生变化(如采伐后森林地变为采伐迹地)时, 必须对小班进行重新区划, 将原小班划分为2个或多个小班(图1(b))。

2.2 变化类型确定

本文研究森林(地)的变化检测, 故检测目标不包含耕地。从遥感图像变化检测的角度来看, 研究区内的森林(地)包括3个类型: ①成林地。在ZY-3和GF-1图像中, 树龄较大的森林纹理较为粗糙, 树龄小的森林纹理较为光滑; ②无林地。包括采伐后未更新或更新后林木未郁闭、完全或部分裸露的林地和已经被占用征收的林地, 在彩色图像中表现色调基本一致, 几乎无纹理, 可见林区道路, 与周围的成林地区别明显; ③幼林地, 指采伐后造林更新6个月~1 a, 林木尚未完全郁闭的林地, 在彩色图像中色调与成林地相近, 但纹理不明显, 运材林道清晰可见(图2)。

	Figure Option View Download New Window
	图2 成林地、幼林地和无林地影像特征(GF-1 B3(R), B4(G), B1(B)假彩色合成图像)Fig.2 Image characteristics of old forest, young forest and bareland

将没有变化作为一个特殊的变化类型, 则3种林地类型共有9种林地变化类型: ①成林地— 成林地; ②成林地— 无林地; ③成林地— 幼林地; ④无林地— 无林地; ⑤无林地— 成林地; ⑥无林地— 幼林地; ⑦幼林地— 幼林地; ⑧幼林地— 成林地; ⑨幼林地— 无林地。从变化检测的角度来看, ①④⑦这3种类型为不变类型, 其余类型均属变化类型。

2.3 图像分割

在一般的面向对象的遥感信息提取中, 图像分割均针对1期图像进行。本文研究目的是通过2个时相图像提取森林变化信息, 为使分割后的图像对象(图斑)能准确描述变化区域的边界, 将2个时相图像的全部8个波段同时参与分割。此外, 为确保图斑边界不超出小班边界, 以2013年小班分布图作为专题图参与分割。图像分割在DefinesR○ Developer软件平台上进行, 分割参数见表1。

表1 图像分割参数 Tab.1 Parameters of image segmentation

第1层分割的对象为全部像元, 小班专题图参与了分割, 目的是将2013年的林地类型属性赋予图像对象, 用作后续分割的掩模; 第2层分割仅对林地范围进行分割。采用目视评价方法, 确定第2层分割的边界与2期图像的影像特征达到最吻合程度。后续图像分析和检测均以该层为基础进行。第2层数据中, 共有林地对象5 218个, 平均每个对象包含3 512个像元(最少包含38个像元, 最多包含28 922个像元)。

2.4 对象特征提取

在数据集中, ZY-3图像和GF-1图像各有4个波段的数据, 分别用ZY-3_B1, …, ZY-3_B4和GF-1_B1, …, GF-1_B4表示。由于分割后每个图斑包含一定数量的像元, 因此可计算第i个图斑在第j个波段的灰度平均值, 即

m_ij= $\begin{matrix} \overset{n}{\sum_{k = 1}} \end{matrix}$ DN_ijk/n , (1)

式中: DN_ijk为第i个图斑在第j个波段中第k个像元的灰度值; n为该图斑包含的像元个数。

将由t₁时相(ZY-3图像)和t₂时相(GF-1图像)提取的特征向量分别记为 $\begin{matrix} X_{t_{1}} \end{matrix}$ 和 $\begin{matrix} X_{t_{2}} \end{matrix}$ , 则第i个图斑的特征向量可表示为

$\begin{matrix} X_{i t_{1}} \end{matrix}$ =( $\begin{matrix} m_{t_{1} 1_{i}} \end{matrix}$ , …, $\begin{matrix} m_{t_{1} 4_{i}} \end{matrix}$ )^T , (2)

$\begin{matrix} X_{i t_{2}} \end{matrix}$ =( $\begin{matrix} m_{t_{2} 1_{i}} \end{matrix}$ , …, $\begin{matrix} m_{t_{2} 4_{i}} \end{matrix}$ )^T , (3)

式中 $\begin{matrix} m_{t_{1} 1_{i}} \end{matrix}$ , …, $\begin{matrix} m_{t_{1} 4_{i}} \end{matrix}$ 和 $\begin{matrix} m_{t_{2} 1_{i}} \end{matrix}$ , …, $\begin{matrix} m_{t_{2} 4_{i}} \end{matrix}$ 分别为t₁和t₂时相第i个图斑在第1— 4波段的灰度平均值。

在变化信息提取过程中, 主要关注的是2个时相图像的差异情况。由于2个时相图像对应波段具有相同的光谱范围, 故可直接计算各个图斑4个波段灰度平均值的差值。于是, 第i个图斑2个时相特征向量的变化向量为

△ X_i=(△ m₁_i, …, △ m₄_i)^T=( $\begin{matrix} m_{t_{2} 1 i} \end{matrix}$ - $\begin{matrix} m_{t_{1} 1 i} \end{matrix}$ , …, $\begin{matrix} m_{t_{2} 4 i} \end{matrix}$ - $\begin{matrix} m_{t_{1} 4 i} \end{matrix}$ )^T , (4)

式中△ m₁_i, …, △ m₄_i分别为4个波段2个时相间灰度平均值的差值。△ X_i包含了2个时相图像光谱变化的信息, 可用于变化检测。对第2层分割结果计算△ X_i后, 导出ArcGIS shp格式文件, 用于图像分析与变化检测。

2.5 变化强度度量与最佳检测阈值确定

对于某区域(图像对象, 或称图斑), 若林地类型发生了变化, 如森林采伐后变成了采伐迹地(无林地), 则2个时相图像的光谱会出现较大的差异; 而没有发生变化的区域, 光谱差异较小。因此, 可通过对象特征计算各个图斑2个时相图像的变化强度, 根据该强度确定某个图斑是否发生变化。变化强度的计算有马氏距离和欧氏距离等。

马氏距离计算式为

△ C_i= $\begin{matrix} \sqrt[]{(△ X_{i} - △ {\overset{̅}{X}}_{i})^{T} \sum^{- 1} (△ X_{i} - △ {\overset{̅}{X}}_{i})} \end{matrix}$ , (5)

式中: △ $\begin{matrix} {\overset{̅}{X}}_{i} \end{matrix}$ 为△ X_i的均值; ∑ ^-¹为△ X_i的协方差矩阵的逆矩阵。

欧氏距离计算式为

△ C_i= $\begin{matrix} \sqrt[]{△ m_{1 i}^{2} + \dots + △ m_{4 i}^{2}} \end{matrix}$ = $\begin{matrix} \sqrt[]{\overset{4}{\sum_{j = 1}} △ m_{ij}^{2}} \end{matrix}$ 。 (6)

张宇等^[22]综合了Camberra距离和欧氏距离的思路, 提出了一种新的距离计算方法— — 相对误差距离, 以GF-1图像为基准数据, 其计算式为

△ C_i= $\begin{matrix} \sqrt[]{{(\frac{(m_{t_{1} 1 i} - m_{t_{2} 1 i})}{m_{t_{2} 1 i}})}^{2} + \dots + {(\frac{(m_{t_{1} 4 i} - m_{t_{2} 4 i})}{m_{t_{2} 4 i}})}^{2}} \end{matrix}$ 。 (7)

△ C_i越大, 表明第i图斑(对象)的2个时相图像的光谱差异越大, 该图斑属于变化图斑的概率就越大。对第2层分割结果分别随机抽取变化和不变化图斑各200个作为训练样本, 计算上述3个距离后得到变化与不变图斑的变化强度散点图(图3)。

	Figure Option View Download New Window
	图3 变化与不变图斑的变化强度散点图Fig.3 Scatter diagram of length of change vector of changed and unchanged objects

在应用式(4)―(6)进行变化检测时, 需要确定变化强度的检测阈值(△ C), 当△ C_i≥ △ C时, 判定第i图斑为变化图斑; 反之, 当△ C_i< △ C时, 判定该图斑为不变图斑。检测阈值的大小对检测精度影响极大, 若△ C过大, 将会导致很多变化图斑被检测为不变化图斑(即漏检率高); 若△ C过小, 则会造成很多不变图斑被检测为变化图斑(即误检率高)。为此, 需要确定最佳的检测阈值, 进而有效降低漏检率和误检率, 提高检测精度。最佳检测阈值的确定方法很多, 常用的有信息增益法、最大类间方差法、目标函数法和最小误差法等。本文中采用目标函数法。

最佳检测阈值确定步骤如下:首先, 对训练样本集计算各个样本的△ C_i, 根据其散点图, 可以大概确定其最佳阈值的分布范围(如图3(b), 最佳分割阈值位于△ C=10附近); 其次, 给定其分布范围为△ C∈ [△ C₁, △ C₂], 在[△ C₁, △ C₂]范围内以一定的步长(△ )作检测(逐一取检测阈值为△ C₁, △ C₁+△ , △ C₁+2△ , …, △ C₂, 根据△ C_i的大小, 将全部图斑判定为“ 变化图斑” 或“ 不变图斑” ); 然后, 统计①检测为变化且实际为变化图斑的个数CC; ②检测为变化但实际为不变图斑的个数CU; ③检测为不变实际为变化图斑的个数UC; ④检测为不变实际为不变图斑的个数UU; 最后, 可计算出漏检率(p_o)、误检率(p_c)和总体精度(p_t)^[23], 即

p_o=UC/(CC+UC) , (8)

p_c=CU/(CC+CU) , (9)

p_t=(CC+UU)/(CC+CU+UC+UU) 。 (10)

显然, 最佳检测阈值是使p_o和p_c最小且p_t最大的值。于是, 定义目标函数^[24]为

O(S)= $\begin{matrix} \frac{p_{t}}{p_{o} + p_{c} + 1} \end{matrix}$ 。 (11)

O(S)越大, 说明检测的整体质量越好。最佳检测阈值S₀为对应于O(S)最大时阈值S的值, 即

S₀=arg $\begin{matrix} \max_{S} \end{matrix}$ O(S) 。 (12)

由图3大致确定马氏距离、欧氏距离和相对误差距离S₀的区间后, 采用图3的原始数据分别以0.1(马氏距离和欧氏距离)和0.01(相对误差距离)为间隔, 逐一计算样本的p_o, p_c, p_t和O(S), 得到图4的变化曲线。

	Figure Option View Download New Window
	图4 漏检率、误检率和总体精度随目标函数的变化曲线Fig.4 Omission rate, commission rate and overall accuracy change in response to change of object function

从图4可以看出, 对于马氏距离, max(O(S))=0.445 6, 对应的S值为3.8(即S₀=3.8), 此时的漏检率为45.74%, 误检率为35.94%, 总体精度为81.0%; 对于欧氏距离, max(O(S))=0.484 1, S₀=14.4, 此时的漏检率为36.9%, 误检率为37.3%, 总体精度为83.3%; 对于相对相差距离, max(O(S))=0.527 9, S₀=0.27, 此时的漏检率为36.3%, 误检率为25.8%, 总体精度为85.6%。

3 结果与分析

3.1 检测结果

根据以上确定的最佳检测阈值, 对全部图斑分别进行了马氏距离、欧氏距离和相对误差距离检测, 得到2013年12月―2015年1月间以小班为单元的林地变化检测结果。图5为基于CVA的欧氏距离变化检测的局部结果。

	Figure Option View Download New Window
	图5 基于CVA的欧氏距离变化检测结果Fig.5 Detection result with Euclidian distance based on CVA

3.2 检测精度评价

在ArcGIS软件平台支持下, 通过随机设置验证样点进行检测精度定量评价。具体方法为: ①采用create random points工具在研究区域内随机生成了1 000个验证样点, 得到一个精度检验样点文件; ②将精度检验样点文件与2个时相的遥感图像及2013年小班专题图叠置, 通过目视解译方法, 逐一确定各个样点所属的真实变化类型; ③将精度检验样点文件分别与欧氏距离、马氏距离和相对误差距离的分类结果进行空间叠置分析, 得到3种距离检测中各个样点所属的分类结果类型; ④采用混淆矩阵计算各个相关精度指标。采用欧氏距离、马氏距离和相对误差距离进行CVA检测的混淆矩阵如表2所示。

表2 采用3种距离的CVA检测混淆矩阵 Tab.2 Confusion matrixes of CVA detection based on 3 kinds of distance

显然, 欧氏距离和马氏距离的CVA检测精度都不够理想, 均表现为漏检率和误检率较高、总体精度较低且Kappa系数较小。相对误差距离的检测结果最好, 漏检率和误检率均最小, 总体精度最高, Kappa系数最大。

对检测结果进行全面观察, 发现误检测的图斑主要为成林地或无林地(建设用地、林区道路)图斑, 漏检错误主要出现于与幼林地相关的变化类型, 包括成林地— 幼林地、无林地— 幼林地和幼林地— 成林地。由于这3种类型虽属变化类型, 但其中一些图斑的地表特征变化不够明显, 2个时相图像的光谱差异较小, 因此容易造成漏检。

4 结论与建议

1)本文以ZY-3和GF-1高空间分辨率卫星图像及小班专题图为数据源, 以林地变化频繁快速、变化图斑多而小的广西上思县为例, 利用面向对象的变化向量分析(CVA)法, 通过目标函数确定最佳检测阈值, 以小班为单元提取变化区域。实验结果表明, 该方法具有较高的检测精度, 并且变化区域不超出小班边界, 利用GIS软件对检测结果中错误进行全面、快速修正后, 可用于森林资源数据库更新。

2)在基于CVA的变化检测中, 最佳检测阈值的确定是最为关键的步骤。本文通过训练样本, 以目标函数最大原则确定最佳检测阈值, 使漏检率和误检率最小且总体精度最大, 从而确保了检测结果最优。研究结果表明, 由训练样本得到的检测精度与最终验证结果有一定的差异, 因此, 训练样本的选取十分关键, 不但需要足够数量的训练样本, 而且需要确保其具有典型性和代表性。另一方面, 由于在训练样本选取过程中存在着人为主观影响, 并且造成检测过程难以实现自动化, 因此需要进一步深入研究最佳检测阈值的自动化、智能化确定方法, 如基于贝叶斯理论的最小错误率法^[25]、直方图拟合法^[26]、局部最小错分概率法^[27]等, 以减少人为主观影响、提高检测效率。

3)为更新森林资源数据库, 需要以小班为单元提取变化区域, 因此小班专题图须参与图像分割。在图像分割过程中, 需要针对所用的数据源, 以保证分割后图斑边界与图像表征准确吻合为原则, 进行反复试验, 从而确定最优的分割参数组合。

4)基于相对误差距离的变化向量检测结果优于欧氏距离和马氏距离的检测结果。与欧氏距离相比, 马氏距离虽然不受各个波段灰度差相对大小的影响, 但其可能会夸大变化微小的变量的作用, 因此检测精度亦不高。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	Food and Agriculture Organization of the United Nations(FAO). Global Forest Resources Assessment 2010Main Report[R]. FAO Forestry Paper 163. Rome: FAO, 2010. [本文引用:1]
[2]	赵宪文, 李崇贵, 斯林, 等. 基于信息技术的森林资源调查新体系[J]. 北京林业大学学报, 2002, 24(5/6): 147-155. Zhao X W, Li C G, Si L, et al. Building a new system of forest resources inventory by information technology[J]. Journal of Beijing Forestry University, 2002, 24(5/6): 147-155. [本文引用:1]
[3]	李春干, 代华兵, 李崇贵. 基于高分辨率卫星图像的小班勾绘精度检验[J]. 福建林学院学报, 2006, 26(2): 127-130. Li C G, Dai H B, Li C G. Accuracy inspection of subcompartment division based on hi-resolution remote sensing imagery[J]. Journal of Fujian College of Forestry, 2006, 26(2): 127-130. [本文引用:1]
[4]	周启鸣. 多时相遥感影像变化检测综述[J]. 地理信息世界, 2011(2): 28-33. Zhou Q M. Review on change detection using multi-temporal remotely sensed imagery[J]. Geomatics World, 2011(2): 28-33. [本文引用:3]
[5]	陈鑫镖. 遥感影像变化检测技术发展综述[J]. 测绘与空间地理信息, 2012, 35(9): 38-41. Chen X B. A summary of change detection techniques of remote sensing imagery[J]. Geomatics and Spatial Information Technology, 2012, 35(9): 38-41. [本文引用:1]
[6]	李世明, 王志慧, 韩学文, 等. 森林资源变化遥感监测技术研究进展[J]. 北京林业大学学报, 2011, 33(3): 132-138. Li S M, Wang Z H, Han X W, et al. Overview of forest resources change detection methods using remote sensing techniques[J]. Journal of Beijing Forestry University, 2011, 33(3): 132-138. [本文引用:3]
[7]	Walter V. Object-based classification of remote sensing data for change detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3/4): 225-238. [本文引用:1]
[8]	Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method[J]. Remote Sensing of Environment, 2006, 102(1/2): 1-11. [本文引用:1]
[9]	Lu D S, Batistella M, Moran E. Integration of Land sat TM and SPOT HRG images for vegetation change detection in the Brazilian Amazon[J]. Photogrammetric Engineering and Remote Sensing, 2008, 74(4): 421-430. [本文引用:2]
[10]	石军南, 李和顺, 刘晓农, 等. 面向对象分类方法在森林采伐遥感监测中的应用[J]. 中南林业科技大学学报, 2010, 30(11): 6-10. Shi J N, Li H S, Liu X N, et al. Application of classification object-oriented to forest cutting monitoring based on remote sensing[J]. Journal of Central South University of Forestry and Technology, 2010, 30(11): 6-10. [本文引用:1]
[11]	邢元军, 旦增. 基于面向对象的高分辨率影像的森林植被变化信息提取研究[J]. 中南林业调查规划, 2010, 29(4): 34-37. Xing Y J, Dan Z. Study on extraction techniques for forest vegetation change information based on high spatial resolution remote sensing image[J]. Central South Forest Inventory and Planning, 2010, 29(4): 34-37. [本文引用:1]
[12]	魏安世, 杨志刚. 森林资源年度监测小班数据自动更新技术[J]. 南京林业大学学报(自然科学版), 2010, 34(4): 123-128. Wei A S, Yang Z G. Automatic updating technique of subcompartment data for annual monitoring of forest resource[J]. Journal of Nanjing Forestry University(Natural Science Edition), 2010, 34(4): 123-128. [本文引用:1]
[13]	王志慧, 李世明, 张艺伟. 基于C5. 0算法的森林资源变化检测方法研究——以山东省徂徕山林区为例[J]. 西北林学院学报, 2011, 26(5): 185-191. Wang Z H, Li S M, Zhang Y W. Methodsological study on the detection of the variations of forest resources based on C5. 0 algorithm: A case of Culai Forest in Shand ong[J]. Journal of Northwest Forestry University, 2011, 26(5): 185-191. [本文引用:1]
[14]	Potapov P V, Turubanova S A, Hansen M C, et al. Quantifying forest cover loss in Democratic Republic of the Congo, 2000—2010with Land sat ETM+ data[J]. Remote Sensing of Environment, 2012, 122: 106-116. [本文引用:1]
[15]	Hansen M C, Loveland T R. A review of large area monitoring of land cover change using Land sat data[J]. Remote Sensing of Environment, 2012, 122: 66-74. [本文引用:1]
[16]	李德仁. 利用遥感影像进行变化检测[J]. 武汉大学学报(信息科学版), 2003, 28(S): 7-12. Li D R. Change detection from remote sensing images[J]. Geomatics and Information Science of Wuhan University, 2003, 28(S): 7-12. [本文引用:1]
[17]	马建文, 田国良, 王长耀, 等. 遥感变化检测技术发展综述[J]. 地球科学进展, 2004, 19(2): 192-196. Ma J W, Tian G L, Wang C Y, et al. Review of the development of remote sensing change detection technology[J]. Advance in Earth Sciences, 2004, 19(2): 192-196. [本文引用:1]
[18]	Lu D, Mausel P, Brondízio E, et al. Change detection techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2365-2407. [本文引用:1]
[19]	黄荣林. 桉树速生丰产林营造技术及效益分析[J]. 广西林业科学, 2006, 35(S): 27-29, 36. Huang R L. Superior eucalyptus fast-growing and high yield plantation establishment technique and benefits analysis in Luchuan County, Guangxi[J]. Guangxi Forestry Science, 2006, 35(S): 27-29, 36. [本文引用:1]
[20]	陈健波, 刘健. 丘陵地桉树无性系人工林生长调查[J]. 林业科技开发, 2011, 25(4): 67-70. Chen J B, Liu J. Growth investigation on plantations of Eucalyptus in hill land s in Guangxi[J]. China Forestry Science and Technology, 2011, 25(4): 67-70. [本文引用:1]
[21]	张健军, 韦晓娟, 傅锋, 等. 广西桉树速生丰产林调查与经济效益评价[J]. 林业经济, 2012(9): 34-37. Zhang J J, Wei X J, Fu F, et al. Survey and economic benefit evaluation on fast-growing and high-yielding Eucalyptus SPP plantation in Guangxi[J]. Forestry Economics, 2012(9): 34-37. [本文引用:1]
[22]	张宇, 刘雨东, 计钊. 向量相似度测度方法[J]. 声学技术, 2009, 28(4): 532-536. Zhang Y, Liu Y D, Ji Z. Vector similarity measurement method[J]. Technical Acoustics, 2009, 28(4): 532-536. [本文引用:1]
[23]	Bontemps S, Langner A, Defourny P. Monitoring forest changes in Borneo on a yearly basis by an object-based change detection algorithm using SPOT-VEGETATION time series[J]. International Journal of Remote Sensing, 2012, 33(15): 4673-4699. [本文引用:1]
[24]	李亮, 舒宁, 李雪. 基于像斑差熵的遥感影像变化检测[J]. 遥感信息, 2011(4): 38-41. Li L, Shu N, Li X. Remote sensing image change detection based on the entropy difference of image segment[J]. Remote Sensing Information, 2011(4): 38-41. [本文引用:1]
[25]	盛辉, 廖明生, 张路. 基于典型相关分析的变化检测中变化阈值的确定[J]. 遥感学报, 2004, 8(5): 451-457. Sheng H, Liao M S, Zhang L. Determination of threshold in change detection based on canonical correlation analysis[J]. Journal of Remote Sensing, 2004, 8(5): 451-457. [本文引用:1]
[26]	李亚平, 杨华, 陈霞. 基于EM和BIC的直方图拟合方法应用于遥感变化检测阈值确定[J]. 遥感学报, 2008, 12(1): 85-91. Li Y P, Yang H, Chen X. Determination of threshold in change detection based on histogram approximation using expectation maximization algorithm and Bayes information criterion[J]. Journal of Remote Sensing, 2008, 12(1): 85-91. [本文引用:1]
[27]	黄维, 黄进良, 王立辉, 等. 基于PCA的变化向量分析法遥感影像变化检测[J]. 国土资源遥感, 2016, 28(1): 22-27. doi: 106046/gtzyyg. 2016. 01. 04. Huang W, Huang J L, Wang L H, et al. Remote sensing image change detection based on change vector analysis of PCA component[J]. Remote Sensing for Land and Resources, 2016, 28(1): 22-27. doi: 10.6046/gtzyyg.2016.01.04. [本文引用:1]

2010

0.0

... 0 引言森林对减缓气候变化影响、维持地球生命系统具有重要作用,正受到前所未有的关注^[1] ...

2002

0.0

赵宪文, 李崇贵, 斯林, 等. 基于信息技术的森林资源调查新体系[J]. 北京林业大学学报, 2002, 24(5/6): 147-155.

Zhao X

, Li C

, Si

, et al. Building a new system of forest resources inventory by information technology[J]. Journal of Beijing Forestry University, 2002, 24(5/6): 147-155.

... 然而,由于森林分布的广域性、变化区域的分散性和随机性以及难到达性,过去以地面调查为主的森林变化信息采集方法存在着工作量大、劳动强度高、效率低、成本高^[2]和精度低^[3]等诸多问题,鲜见大规模应用的成功案例,是我国几十 a来虽然倡导但一直没能实现森林资源#cod#x0201c ...

2006

0.0

李春干, 代华兵, 李崇贵. 基于高分辨率卫星图像的小班勾绘精度检验[J]. 福建林学院学报, 2006, 26(2): 127-130.

Li C

, Dai H

, Li C

Accuracy inspection of subcompartment division based on hi-resolution remote sensing imagery[J]. Journal of Fujian College of Forestry, 2006, 26(2): 127-130.

小班是森林资源规划设计调查的基本单元,其勾绘精度决定了森林空间分布定位的准确性和面积调查精度,过往对此缺乏深入的研究.为此以QuickBird高空间分辨率卫星遥感图像为基础,对以1:10 000地形图为手图的小班勾绘精度进行检验.结果表明,63个小班的面积平均误差25.0%,中心位置平均位移77.1 m,边界平均位移9.3 m,小班边界平均最大位移26.0 m.此外,还讨论了提高小班勾绘精度的技术方法.

0.0

周启鸣. 多时相遥感影像变化检测综述[J]. 地理信息世界, 2011(2): 28-33.

Zhou Q

Review on change detection using multi-temporal remotely sensed imagery[J]. Geomatics World, 2011(2): 28-33.

... 由于地物特征随时间的变化会引起2个时相遥感图像的像元光谱响应发生变化^[4,5],因此,通过遥感图像变化检测,可以确定森林变化的空间位置、变化类型(如森林变成采伐迹地)和数量^[6] ...

... 众多学者从不同角度针对不同应用对变化检测方法和理论模型进行了大量深入的研究,提出了很多变化检测方法^{[4,6,9,16,17]},这些方法大多适用于森林变化检测^[6,18] ...

... 然而,由于传感器不同、检测目标相异、变化特征表现差异很大,变化检测十分复杂和困难,没有一种方法能够适合于所有的应用问题,不同方法有时会得出不同甚至相互矛盾的结论^[4] ...

2012

0.0

陈鑫镖. 遥感影像变化检测技术发展综述[J]. 测绘与空间地理信息, 2012, 35(9): 38-41.

Chen X

A summary of change detection techniques of remote sensing imagery[J]. Geomatics and Spatial Information Technology, 2012, 35(9): 38-41.

摘　要：变化检测是遥感信息科学的一个重要研究方向。本文首先介绍了遥感变化检测的技术流程;其次,重点介绍了各种常用的和近年来新出现的变化检测方法,并对其优缺点进行了简要评述;最后,讨论了变化检测技术的发展现状和存在的问题。

2011

0.0

李世明, 王志慧, 韩学文, 等. 森林资源变化遥感监测技术研究进展[J]. 北京林业大学学报, 2011, 33(3): 132-138.

Li S

, Wang Z

, Han X

, et al. Overview of forest resources change detection methods using remote sensing techniques[J]. Journal of Beijing Forestry University, 2011, 33(3): 132-138.

森林资源的变化对于全球碳循环、气候变化、生物多样性和生态环境有重要影响.及时、准确地获取森林资源变化信息,对于森林经营科学决策与可持续发展具有重要意义.本文对森林资源变化遥感监测技术进行了系统总结与分析,指出了各类方法的优缺点和应用范围,对影响森林资源变化遥感监测结果的因素进行了讨论,并给出了结论和建议.

2004

0.0

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2006

0.0

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2008

0.0

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2010

0.0

石军南, 李和顺, 刘晓农, 等. 面向对象分类方法在森林采伐遥感监测中的应用[J]. 中南林业科技大学学报, 2010, 30(11): 6-10.

Shi J

, Li H

, Liu X

, et al. Application of classification object-oriented to forest cutting monitoring based on remote sensing[J]. Journal of Central South University of Forestry and Technology, 2010, 30(11): 6-10.

利用多尺度分割技术和面向对象分类方法对SPOT5遥感数据进行土地的分类及森林采伐信息提取.在面向对象的图像分析中,采用图像分割--基于规则的分类--基于分类的分割的多尺度分割方法,在综合最优分割尺度下,用最邻近分类器对SPOT5影像进行分类;采用两期图像特征比较,提取森林采伐区信息,并结合二类调查成果和伐区设计资料,使用交互式补充判读和修正.结果显示:研究区各地类的分类精度都在85%以上,对森林采伐图斑判读的加权综合正判率达到90.8%,其中皆伐图斑个数正判率92.8%,非皆伐图斑个数正判率83.3%.利用多期高分辨率遥感图像可以进行森林采伐监测,研究结果为提高森林采伐限额监测效率、采伐区识别准确度和面积估算精度提供了有效途径.

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2010

0.0

邢元军, 旦增. 基于面向对象的高分辨率影像的森林植被变化信息提取研究[J]. 中南林业调查规划, 2010, 29(4): 34-37.

Xing Y

, Dan

Study on extraction techniques for forest vegetation change information based on high spatial resolution remote sensing image[J]. Central South Forest Inventory and Planning, 2010, 29(4): 34-37.

如何利用遥感技术获取森林植被变化信息是遥感应用的重要领域之一.基于ALOS高空间分辨率的遥感影像数据,研究利用面向对象的分类方法,对影像进行多尺度分割,通过隶属度函数,提取森林植被变化信息,并实地验证变化结果.研究表明:利用面向对象的方法对ALOS遥感影像进行森林植被变化信息的提取,个数精度达到80.85%,面积精度达到84.90%.此研究为森林植被变化信息的提取提供了又一有效的方法.

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2010

0.0

魏安世, 杨志刚. 森林资源年度监测小班数据自动更新技术[J]. 南京林业大学学报(自然科学版), 2010, 34(4): 123-128.

Wei A

, Yang Z

Automatic updating technique of subcompartment data for annual monitoring of forest resource[J]. Journal of Nanjing Forestry University(Natural Science Edition), 2010, 34(4): 123-128.

摘　要：以相邻两年度遥感影像和上一年度小班数据为基础,研究了小班数据自动更新技术。通过多时相遥感特征与植被变化相关性分析,筛选出对判别植被变化贡献较大的一些遥感特征,提取每个小班的遥感特征,对现势的遥感影像和小班历史GIS数据的先验知识进行综合分析,建立森林资源变化判别规则,以确定变化小班。然后以变化的小班内遥感影像为研究对象,分别利用边缘提取和图像分割方法自动提取变化界线,产生分割线,再用分割线更新小班界线,从而生成本年度森林资源空间数据。研究表明：基于边缘提取方法的自动更新结果存在较多的伪边界,同时又丢失了一些真正的边界,其自动更新效果不理想;而基于图像分割方法自动更新的小班变化界线与人工目视勾绘的小班变化界线基本一致,可以满足生产要求。

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2011

0.0

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2012

0.0

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2012

0.0

... 近年来,遥感图像变化检测在森林变化信息采集中得到了广泛应用^{[7,8,9,10,11,12,13,14,15]} ...

2003

0.0

李德仁. 利用遥感影像进行变化检测[J]. 武汉大学学报(信息科学版), 2003, 28(S): 7-12.

Li D

Change detection from remote sensing images[J]. Geomatics and Information Science of Wuhan University, 2003, 28(S): 7-12.

2004

0.0

马建文, 田国良, 王长耀, 等. 遥感变化检测技术发展综述[J]. 地球科学进展, 2004, 19(2): 192-196.

Ma J

, Tian G

, Wang C

, et al. Review of the development of remote sensing change detection technology[J]. Advance in Earth Sciences, 2004, 19(2): 192-196.

卫星遥感的复轨能力 ,稳定一致的传感器参数和系列运行计划 ,连续记录了地表的显著变化信息。对遥感观测到的变化信息 ,还需要区分是地表物理生物要素变化引起的变化 ,还是辐射传输路径上其它干扰因素造成的变化信息 ,需要从各种变化信息组分中区分目标变化信息。因此 ,遥感变化检测是遥感信息科学、地球系统科学、统计学和计算机技术等学科技术交叉后新的增长点 ,代表了当前遥感数据处理技术发展方向。为了促进遥感变化检测技术在我国的发展 ,收集阅读了近几年国外主要遥感刊物发表的论文、专著 ,综合了我国遥感变化检测技术发展现状以及大量的网络资料

2004

0.0

2006

0.0

黄荣林. 桉树速生丰产林营造技术及效益分析[J]. 广西林业科学, 2006, 35(S): 27-29, 36.

Huang R

Superior eucalyptus fast-growing and high yield plantation establishment technique and benefits analysis in Luchuan County, Guangxi[J]. Guangxi Forestry Science, 2006, 35(S): 27-29, 36.

摘　要：本文从造林整地、抚育施肥、病虫害防治等方面总结陆川县马坡桉树速生丰产林营造技术，并对营造速生丰产林的效益进行了分析，为陆川县桉树速生丰产林栽培技术推广提供科学依据。

... 8 m^[19] ...

2011

0.0

陈健波, 刘健. 丘陵地桉树无性系人工林生长调查[J]. 林业科技开发, 2011, 25(4): 67-70.

Chen J

, Liu

Growth investigation on plantations of Eucalyptus in hill land s in Guangxi[J]. China Forestry Science and Technology, 2011, 25(4): 67-70.

采用标准地法,对广西南宁市南部丘陵地2.25～2.67年生的桉树无性系人工林进行了调查研究。结果表明:林木平均保存率为89.3%,平均年蓄积生长量达30.0 m3/(hm2.a),林木径阶以10 cm居多,其次是12 cm径阶,二者合计占80%。林分生长量与无性系种类、林地坡位有一定关系,无性系的生长排序为DH33-29DH33-26DH33-28,坡位排序为下坡位中坡位上坡位,但差异均较小。林地土壤有效N含量对桉树生长影响显著,含量少的林地桉树生长量显著低于含量多的林地。林地土壤有效N、P、K含量普遍不足,林地施肥应充分考虑N、P、K养分,以满足桉树生长对各种元素养分的需要。

... 3 m^[20] ...

0.0

张健军, 韦晓娟, 傅锋, 等. 广西桉树速生丰产林调查与经济效益评价[J]. 林业经济, 2012(9): 34-37.

Zhang J

, Wei X

, Fu

, et al. Survey and economic benefit evaluation on fast-growing and high-yielding Eucalyptus SPP plantation in Guangxi[J]. Forestry Economics, 2012(9): 34-37.

通过对广西全区12个单位桉树速生丰产林实地调查发现:(1)广西目前规模栽培的4个无性系丰产性能好,其中DH32-26品系的蓄积生长量达48.45m3/hm2.年;(2)不同土壤类型,以赤红壤土桉树生长量最大,平均45.19m3/hm2,砖红壤、红壤土桉树生长量稍小,平均蓄积年生长量分别是40.25m3/hm2和40.74m3/hm2;(3)12个单位桉树速生丰产林2年9个月～2年11个月的造林投入(不含土地租金、利息)平均为21015元/hm2,是一般树种造林费用的2～3倍。桉树造林资金投入量与投资效益并不成正比,单位面积投资效率为1.27～2.70,最佳投资为1.7万～2万元/hm2。

... a)^[21] ...

2009

0.0

张宇, 刘雨东, 计钊. 向量相似度测度方法[J]. 声学技术, 2009, 28(4): 532-536.

Zhang

, Liu Y

, Ji

Vector similarity measurement method[J]. Technical Acoustics, 2009, 28(4): 532-536.

To estimate two vectors’ similarity, the methods of computing the similarity are generally adopted. Several mature similarity estimate methods and their merits and drawbacks in applications are analyzed and compared in this paper. According to the demand of practice application and associating with two mature distance measure methods, an improved distance measure method called relative error distance is proposed. And, from the thought of magnifying the effect of the larger relative error, a comparability function called most dissimilarity coefficient is created. These two methods, which have fully considered the relative variation value, are applicable in the case of measuring an unknown comparative vector and a known standard vector.

判断两个向量的相似程度,一般采用计算相似度的方法。首先对相似度测度法中的几种成熟的计算方法和应用优缺点进行了综合分析和对比。然后,根据实际的应用需要,结合两种成熟的距离测度法的方法,提出了一种改进的距离测度,即相对误差距离;又从放大较大相对误差作用的思路出发,提出一个相似性函数,即最大相异系数。这两种方法都充分考虑了相对变化量,具有针对性,适用于未知的待比较向量与确知的标准向量进行测度的情况。

... 张宇等^[22]综合了Camberra距离和欧氏距离的思路,提出了一种新的距离计算方法#cod#x02014 ...

2012

0.0

... 最后,可计算出漏检率(p_o)、误检率(p_c)和总体精度(p_t)^[23],即 ...

0.0

李亮, 舒宁, 李雪. 基于像斑差熵的遥感影像变化检测[J]. 遥感信息, 2011(4): 38-41.

, Shu

, Li

Remote sensing image change detection based on the entropy difference of image segment[J]. Remote Sensing Information, 2011(4): 38-41.

提出了利用遥感影像分割获取像斑进行变化检测的方法。构造了像斑差熵作为衡量变化的指标,选取一定数目训练样本,利用目标函数法找到最佳阈值,并同相关系数法进行了比较。实验结果显示像斑差熵更适用于遥感影像变化检测。

... 于是,定义目标函数^[24]为 ...

2004

0.0

盛辉, 廖明生, 张路. 基于典型相关分析的变化检测中变化阈值的确定[J]. 遥感学报, 2004, 8(5): 451-457.

Sheng

, Liao M

, Zhang

Determination of threshold in change detection based on canonical correlation analysis[J]. Journal of Remote Sensing, 2004, 8(5): 451-457.

... 另一方面,由于在训练样本选取过程中存在着人为主观影响,并且造成检测过程难以实现自动化,因此需要进一步深入研究最佳检测阈值的自动化、智能化确定方法,如基于贝叶斯理论的最小错误率法^[25]、直方图拟合法^[26]、局部最小错分概率法^[27]等,以减少人为主观影响、提高检测效率 ...

2008

0.0

李亚平, 杨华, 陈霞. 基于EM和BIC的直方图拟合方法应用于遥感变化检测阈值确定[J]. 遥感学报, 2008, 12(1): 85-91.

Li Y

, Yang

, Chen

Determination of threshold in change detection based on histogram approximation using expectation maximization algorithm and Bayes information criterion[J]. Journal of Remote Sensing, 2008, 12(1): 85-91.

One of the key issues of land use/cover change detection using remote sensing images is the threshold determination.This paper introduces the histogram approximation method based on Expectation Maximization(EM) algorithm and Bayes Information Criterion(BIC) into unsupervised change detection.EM algorithm is an iterative algorithm that has many advantages in estimating the statistical values.BIC is always used for evaluating a statistical model on the aspects of accuracy and complexity."Difference image" is acquired by applying the change vector analysis(CVA) technique,which can magnify the difference between the two-temporal images.The probability distribution function(PDF) of its histogram can be modeled as a mixture of M Gaussian distributions.Different values of M will get different models.The best one will make the value of BIC minimum.According to this criterion,the statistical values of the mixture Gaussian distributions can be estimated using the EM algorithm and BIC.Then the threshold of the change detection will be obtained by finding the intersection point of two neighbor Gaussian distributions.M Gaussian distributions will gain M points that are the M thresholds.M is regarded as the number of the changed types.The estimated values including means and variations and the prior distributions of every Gaussian distribution have definite physical meanings.The means indicate the values of images of those changed types based on which difference image can be classified quickly.The variations illustrate the difference in one changed types,and the percentage of every change types can be given by the prior distributions of every Gaussian distribution.The traditional methods of change detection by remote sensing based on EM algorithm is often assuming the difference image containing two types of pixels.Which are changed pixels and unchanged pixels.But when there are more than one changed types and the difference images' histogram becomes complex,this method is proved not accurate.To compare these two methods and validate this method,this paper chose the area around the Miyun Reservoir as the experiment area.There are more than one types changed including water,bare land and vegetation and so on,so this area is representative for change detection study.The experiment data is 2001 TM image and 2004 ETM image.The difference image's histogram is modeled by 4 Gaussian distribution,according to the models the difference image is classified 4 types.Then the difference image is processed by traditional method of change detection based on EM algorithm.The entropy is introduced to evaluate the two experimental results,which is usually used to evaluate the uncertainty of one pixel belonging to one classification.Its advantage is that it can make the pixels' uncertainty visible in the image.Results show that the histogram approximation based on EM and BIC method is credible and effective in change detection from the remote sensing images,especially when the changed types are more complex.

利用遥感图像进行变化检测时,确定"差异图像"上各变化类型的阈值非常关键.本文引入图像直方图拟合方法来确定变化阈值.首先通过基于变化向量分析方法,得到变化强度图像,然后假设该变化强度图像中的像元值符合混合高斯分布模型,利用期望最大(EM)算法和贝叶斯信息准则(BIC)求出最佳的混合高斯分布模型,拟合此时的图像直方图,最后利用贝叶斯判别准则确定出各变化类型的变化阈值.试验证明,这种方法是一种较为有效的自动确定变化阈值的方法.

2016

0.0

黄维, 黄进良, 王立辉, 等. 基于PCA的变化向量分析法遥感影像变化检测[J]. 国土资源遥感, 2016, 28(1): 22-27. doi: 106046/gtzyyg. 2016. 01. 04.

Huang

, Huang J

, Wang L

, et al. Remote sensing image change detection based on change vector analysis of PCA component[J]. Remote Sensing for Land and Resources, 2016, 28(1): 22-27. doi: 10.6046/gtzyyg.2016.01.04.

为实现对土地覆盖变化的遥感监测,研究了一种基于不同年份单时相遥感数据提取差异影像、自动确定变化阈值提取变化区域的新方法.以南通市Landsat8 0LI影像为例,对2期影像分别进行主成分分析(principal component analysis,PCA);取前3个主分量进行变化向量分析(change vector analysis,CVA),构造变化检测差异影像,并与传统PCA法和CVA法构造的差异影像进行对比;对3景差异影像分别用传统全局阈值法和局部最小错分概率法自动确定阈值,分别提取变化区域,得到6景变化区域图.利用目视解译样点进行精度评价的结果表明,改进后的基于PCA的CVA法提取的变化区域总体精度可达92.78％,Kappa系数可达0.842 6,证明使用该方法可有效地进行不同年份单时相遥感数据的变化检测.